-
公开(公告)号：CN102831050A
公开(公告)日：2012-12-19
申请号：CN201110158128.7
申请日：2011-06-14
Applicant: 湘潭大学
IPC: G06F11/36
Abstract: 本发明公开了一种风电机组控制软件异常行为检测与导向安全方法，用于机组主控制器软件运行时安全性检测与处理。该方法要点是：1)首先，取机组主控制器实时输出的自身所执行的指令流到独立于风电机组主控制器的异常行为检测与应对系统，该系统通过发现机组主控制器执行的指令偏离控制软件二进制源码而检出软件异常行为；2)异常行为检出后，异常行为检测与应对系统通过对通信通路的切换实现对机组控制的接管；3)异常行为检测与应对系统接管机组控制后，首先令机组主控制器停机，然后令风电机组按正常停机模式停机。采用本发明的技术方案，能实时检出机组主控制器软件跑飞或执行计划外代码的异常行为，并将机组导向安全。
-
公开(公告)号：CN101964018A
公开(公告)日：2011-02-02
申请号：CN201010263482.1
申请日：2010-08-26
Applicant: 湘潭大学
IPC: G06F19/00
Abstract: 一种电动车电池SOC的估计方法。它主要是用于解决电池安全流通以及动力电池SOC估算算法等技术问题。其技术方案是在对电池流通时的认证需求和对神经网络SOC估算方法标准模型分析的基础上，提出了在普通电池组中植入信息芯片和一种基于电池类型和寿命因子的电动车电池SOC神经网络估计方法。信息芯片确保生产厂商、充电站、电动汽车三者与电池组的兼容性和高度的安全性，避免伪劣电池进入流通领域，易于构建统一的电池的网络管理信息平台，形成一个稳定的电池使用管理市场方案；通过电池中信息芯片获取电池类型以及记录最近几次的充放电数据及循环次数，与芯片中记录的额定容量输入到寿命因子分析模块后判断出电池的生命状态，在神经网络标准模型中将电压、电流和温度作为输入的基础上增加电池类型和寿命因子作为输入，实现对电动车电池荷电状态的精确估计。
-
公开(公告)号：CN116127409A
公开(公告)日：2023-05-16
申请号：CN202310178005.2
申请日：2023-02-28
Applicant: 湘潭大学
IPC: G06F18/25 , G01R22/06 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于格拉姆角差场特征融合的非侵入式负荷识别方法，包括以下步骤：对设备采集到的高频稳态数据进行预处理，获得一个完整基波周期电流和电压信号；利用格拉姆角差场分别对一维电压和电流信号进行编码，生成相对应的二维特征图；通过叠加融合输入到基于卷积块注意力模块的神经网络中，构建负荷识别模型，完成负荷识别。本发明将格拉姆角差场理论应用于负荷印记构建中，增强了一维电压、电流信号的表征能力，进而提升了不同负荷特征之间的辨识度。此外，在负荷识别模型中引入卷积块注意力模块，帮助模型从负荷印记中获取更多负荷识别所需要的有用信息，抑制其他无用信息，进一步提升了负荷识别能力。
-
公开(公告)号：CN109948726B
公开(公告)日：2022-12-20
申请号：CN201910243017.2
申请日：2019-03-28
Applicant: 湘潭大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于深度森林的电能质量扰动分类方法，包括以下步骤：步骤一：通过多粒度扫描从电能质量扰动波形数据集中自动提取特征，从而得到原始数据的特征表达；步骤二：通过级联森林进行逐层学习获得深度特征，级联森林不断重复，直至收敛性能达到要求，最终实现电能质量扰动分类；步骤三：通过使用不同的扰动信号采样频率和向扰动信号中添加噪声来验证所提出的方法的鲁棒性。本发明利用具有级联结构的深度森林集合进行数据的表征学习，并且通过多粒度扫描来学习数据的深层特征，这种基于决策树的方法超参数较少，容易训练，具有良好的鲁棒性，并且在少量数据的情况下仍然能表现出优异的性能，在分类问题中取得了很好的效果。
-
公开(公告)号：CN115375029A
公开(公告)日：2022-11-22
申请号：CN202211029930.0
申请日：2022-08-26
Applicant: 湘潭大学
IPC: G06Q10/04 , G06Q50/20 , G06N5/04 , G06F16/906
Abstract: 本发明公开了一种基于因果推断的个性化课程教学持续改进方法，首先基于考核结果分析存在初始绩点和发展预期这两个混杂因子，通过混杂因子分层分析，推断伪因果效应产生的原因；然后构建课程教学因果图，并引入后门调整法控制混杂变量，计算教学方法对学生学习效果真实的因果效应；随后进行主动干预，提出了多维度选题、多渠道展示、多层次考核的改进措施，并通过因果图分析改进的理由和效果；最后，在下一学年的教学中进行实施，并依据新问题制定未来改进计划，结果表明该持续改进机制具有科学性和有效性。
-
Patent Agency Ranking
公开(公告)号：CN109034480B
公开(公告)日：2022-03-08
申请号：CN201810855185.2
申请日：2018-07-31
Applicant: 湘潭大学
Abstract: 本发明公开了一种基于智能合约的互联微网分布式优化调度方法，包括以下步骤：建立电力交易的区块链；设定调度周期，记录调度周期内发出和接收的电量；建立互联微电网系统的优化调度模型并求解，得到最优调度方案；根据最优调度方案，确定参与交易的微电网的交易内容，并签订智能合约发送给网络中的其他微电网；各微电网达成共识；对交易进行验证，判断交易是否安全，若不安全则取消交易，若安全则交易完成，进行微电网间的资金转移。本发明提出了互联微电网系统的分布式优化调度模型和分布式迭代算法，并将区块链应用到分布式交易的记录和价值转移中，并且在微网间签订智能合约，解决了交易双方之间的信任问题，自动化程度高。
-
公开(公告)号：CN112183623A
公开(公告)日：2021-01-05
申请号：CN202011037563.X
申请日：2020-09-28
Applicant: 湘潭大学
Abstract: 本发明公开了一种基于风电运维人员紧张程度的运维操作方法，包括以下步骤：提取运维人员的生理信号特征组成特征向量，将特征向量与紧张程度的标签组成数据样本；划分训练集、测试集；随机森林模型的初始化和训练；查看随机森林模型对训练集分类的准确率，判断准确率是否低于预设阈值，若是，则调节随机森林模型的超参数，重新训练；将测试集代入训练后的随机森林模型，查看随机森林模型是否存在过拟合，是则继续调节超参数，重新训练；否则得到训练好的随机森林模型并保存；将获取运维人员的生理信号特征代入训练好的随机森林模型中，得到运维人员操作结果。本发明能够有效地降低运维人员的人为失误，提高运维效率，减少运维成本。
-
公开(公告)号：CN110707992A
公开(公告)日：2020-01-17
申请号：CN201911064301.X
申请日：2019-11-04
Applicant: 湘潭大学
Abstract: 本发明公开了一种光伏发电接口系统，包括光伏发电模块、模式设置模块、主电路模块以及储能模块。主电路模块使用双向半桥变换器，传输功率较小，效率高，方便实现光伏发电接口系统充放电模式的转换。同时，本发明公开的光伏发电接口系统的控制方法中，采用单片机直接产生PWM信号，既能通过对主电路模块的输出进行采样进而改变PWM信号的占空比来调节光伏发电接口系统的输出；又能够根据选择的工作模式以及实际工作状态来判断光伏发电接口系统是否正常工作，为光伏发电接口系统提供保护。数字控制产生PWM控制信号的控制方案，没有模拟电路的温漂，干扰等问题，通过软件控制可以实现较高的精度，同时系统的升级改造也很简单，便于扩展。
-
公开(公告)号：CN110119963A
公开(公告)日：2019-08-13
申请号：CN201910382385.5
申请日：2019-05-09
Applicant: 湘潭大学
Abstract: 本发明公开了一种基于主从智能合约的微电网电能交易方法，首先，构建微电网信息物理系统，实时监控和采集系统数据，构建电力交易系统阶段实时电价模型，分别标识为主从智能合约中的交易参考电价；其次，微电网用户智能节点之间根据实际供需情况创建交易，签订智能合约；最后，交易达成共识，区块链云平台自动执行智能合约，并将交易产生的过程数据写入区块保存，完成交易。本发明将微电网物理拓扑和交易云平台高效互联，结合物理基础设施、互联网通信技术、云计算技术和区块链底层技术，实现对微电网用户侧各电力量的实时监控和云计算，智能分析电力市场电力资源和价位走势，完成智能合约的部署与执行，保证微电网电力市场交易准确高效执行。
-
公开(公告)号：CN109948726A
公开(公告)日：2019-06-28
申请号：CN201910243017.2
申请日：2019-03-28
Applicant: 湘潭大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于深度森林的电能质量扰动分类方法，包括以下步骤：步骤一：通过多粒度扫描从电能质量扰动波形数据集中自动提取特征，从而得到原始数据的特征表达；步骤二：通过级联森林进行逐层学习获得深度特征，级联森林不断重复，直至收敛性能达到要求，最终实现电能质量扰动分类；步骤三：通过使用不同的扰动信号采样频率和向扰动信号中添加噪声来验证所提出的方法的鲁棒性。本发明利用具有级联结构的深度森林集合进行数据的表征学习，并且通过多粒度扫描来学习数据的深层特征，这种基于决策树的方法超参数较少，容易训练，具有良好的鲁棒性，并且在少量数据的情况下仍然能表现出优异的性能，在分类问题中取得了很好的效果。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.022 seconds)
